Ограничивающий результат минимизации scipy (SLSQP) - PullRequest
Новая
       23

Ограничивающий результат минимизации scipy (SLSQP)

1 голос
/ 14 мая 2019

Я хотел бы свести к минимуму целевую функцию, которая на каждом этапе вызывает программное обеспечение для моделирования и возвращает скаляр.Есть ли способ ограничить результат целевой функции?Например, я хотел бы получить значения переменных, которые приводят результат как можно ближе к 1, насколько это возможно.

Я пытался просто вычесть 1 из результата целевой функции, но это не помогло.Я также играл с коинстрейнтами, но, если я правильно понимаю, они только для входных переменных.Другим способом может быть создание журнала, в котором будут храниться значения всех переменных после каждой итерации (что я уже делаю).В конце должна быть возможность найти итерацию, результат которой ближе всего к 1, и вернуть ее переменную конфигурацию.Проблема в том, что минимизация, вероятно, выполняется слишком долго и приводит к бесполезным результатам.Есть ли лучший способ? 

def objective(data):
     """
     Optimization Function
     :param data: list containing the current guess (list of float values)
     :return: each iteration returns a scalar which should be minimized
     """

     # do simulation and calculate scalar

     return result - 1.0   # doesn't work since result is becoming negative

def optimize(self):
     """
     daemon which triggers input, reads output and optimizes results
     :return: optimized results
     """

     # initialize log, initial guess etc.

     sol = minimize(self.objective, x0, method='SLSQP', options={'eps': 1e-3, 'ftol': 1e-9}, bounds=boundList)

Цель состоит в том, чтобы найти решение, которое можно адаптировать к любому целевому значению.Пользователь должен иметь возможность ввести значение, и минимизация вернет наилучшую конфигурацию переменной для этого целевого значения.

1 Ответ

1 голос
/ 15 мая 2019

Как обсуждалось в комментариях, один из способов достижения этого - использовать 

return (result - 1.0) ** 2

в objective. Тогда результаты не могут стать отрицательными, и оптимизация попытается найти result таким образом, чтобы оно было близко к вашему целевому значению (например, 1.0 в вашем случае).

Иллюстрация с использованием вашей текущей настройки: 

from scipy.optimize import minimize


def objective(x, target_value):

    # replace this by your actual calculations
    result = x - 9.0

    return result - target_value


# add some bounds for all the parameters you have
bnds = [(-100, 100)]

# target_value is passed in args; feel free to add more
res = minimize(objective, (1), args=(1.0,), bounds=bnds)

if res.success:
    # that's the optimal x
    print(f"optimal x: {res.x[0]}")
else:
    print("Sorry, the optimization was not successful. Try with another initial"
          " guess or optimization method")

Поскольку мы выбрали -100 в качестве нижней границы для x и попросили минимизировать цель, оптимальное значение x равно -100 (будет напечатано, если вы запустите код сверху). Если мы теперь заменим строку 

return result - target_value

по 

return (result - target_value) ** 2

и оставьте остальные без изменений, оптимальный x равен 10, как и ожидалось.

Обратите внимание, что я передаю целевое значение в качестве дополнительного аргумента, чтобы ваша функция была немного более гибкой.

...